هوش مصنوعی | متن کامل رایگان | هوش مصنوعی در مراقبت های بهداشتی: ChatGPT و فراتر از آن

“چت GPT در آسیب شناسی انسانی تشخیصی: آیا برای آسیب شناسان مفید خواهد بود؟” یک بررسی مقدماتی با “جلسه پرس و جو” و دیدگاه های آینده” توسط کازاتو و همکاران (مشارکت ۱) یک مرور سیستماتیک در مورد استفاده از ChatGPT در آسیب شناسی انجام می دهد. از دستورالعمل های PRISMA پیروی می کند و از ادبیات PubMed، Scopus و Web of استفاده می کند. پایگاه‌های اطلاعاتی Science (WoS) پس از غربالگری برای معیارهای ورود به مطالعه گنجانده شد نشان داده شده است که می تواند با ارائه مقادیر زیادی از داده های علمی برای استفاده در روش های معمول تشخیصی میکروسکوپی، به پاتولوژیست مشاوره دهد، با این حال، محدودیت های خاصی وجود دارد که باید برطرف شوند، مانند سوگیری در داده های آموزشی، میزان داده های موجود. و پدیده های توهم نویسندگان همچنین تاکید می کنند که یک سیستم مبتنی بر هوش مصنوعی باید همیشه در طول فرآیند تشخیصی هیستوپاتولوژیک دارای انگیزه تصمیم گیری باشد.

“طراحی چت بات آموزشی با استفاده از هوش مصنوعی در رادیوتراپی” توسط چاو و همکاران. (مشارکت ۲) نشان می دهد که چگونه می توان یک چت بات با قابلیت هوش مصنوعی برای اهداف آموزشی در پرتودرمانی، با استفاده از درخت گفتگو و ساختار لایه ای با ویژگی های هوش مصنوعی مانند NLP طراحی کرد. چت ربات می تواند ارتباطاتی شبیه انسان را برای کاربرانی که اطلاعاتی در مورد پرتودرمانی درخواست می کنند، بر اساس رویکرد پرسش و پاسخ ارائه دهد. هنگامی که کاربر ممکن است نتواند دقیقاً سؤال را مشخص کند، کاربر پسند و اطمینان بخش خواهد بود و لیستی از سؤالات را برای انتخاب کاربر ارائه می دهد. سیستم NLP به چت بات کمک می کند تا قصد کاربر را پیش بینی کند و دقیق ترین و دقیق ترین پاسخ را ارائه دهد. ویژگی‌های آموزشی ترجیحی در یک ربات چت، ویژگی‌های کاربردی مانند عملیات ریاضی هستند که باید مرتباً اصلاح و به‌روزرسانی شوند. نویسندگان به این نتیجه رسیدند که یک چت ربات آموزشی مجهز به هوش مصنوعی را می توان برای ارائه انتقال اطلاعات به کاربران با سطوح مختلف دانش رادیوتراپی (به عنوان مثال، بیماران، عموم مردم، یا کارکنان پرتو) ایجاد کرد. چت بات باید به طور منظم ارتقا و تنظیم شود، در حالی که عملکرد آن باید آزمایش و ارزیابی شود.

«مدل‌سازی پیش‌بینی مبتنی بر یادگیری ماشینی در مراقبت‌های اولیه: مروری پیشرفته» توسط الشربینی و همکاران. (مشارکت ۳) پتانسیل ML و زیرمجموعه های آن را در تأثیرگذاری بر دو حوزه مراقبت اولیه خلاصه می کند: مراقبت قبل از عمل و غربالگری. ML می تواند در درمان قبل از عمل برای پیش بینی نتایج بعد از عمل و کمک به پزشکان در انتخاب مداخلات جراحی استفاده شود. پزشکان با استفاده از الگوریتم های ML می توانند خطر را کاهش داده و نتایج بیمار را بهبود بخشند. ML همچنین می تواند دقت و اثربخشی تست های غربالگری را بهبود بخشد. متخصصان مراقبت های بهداشتی می توانند با استفاده از مدل های ML برای اسکن تصاویر پزشکی برای بیماری ها یا ناهنجاری ها، بیماری ها را در مراحل اولیه و قابل درمان شناسایی کنند. ML را می توان برای شناسایی افرادی که در معرض افزایش خطر ابتلا به اختلالات یا بیماری های خاص هستند، حتی قبل از اینکه علائم قابل مشاهده باشد، استفاده کرد. این می تواند داده های بیمار مانند تاریخچه پزشکی، ژنتیک و عوامل سبک زندگی را برای شناسایی بیماران در معرض خطر بالاتر ارزیابی کند و مداخلات هدفمند مانند تنظیم سبک زندگی یا غربالگری اولیه را امکان پذیر کند. در نتیجه، استفاده از ML در مراقبت های اولیه می تواند به طور بالقوه باعث بهبود نتایج بیمار، کاهش هزینه های مراقبت های بهداشتی و افزایش بهره وری پرسنل مراقبت های بهداشتی شود.

«تجزیه و تحلیل پیش‌بینی‌کننده با چارچوبی فرارشته‌ای در ارتقای مراقبت بیمار محور از بیماری‌های چند مزمن: روندها، چالش‌ها و راه‌حل‌ها» توسط وان و وان (مشارکت ۴) در مورد رویکردی نوآورانه برای توسعه تجزیه و تحلیل پیش‌بینی‌کننده، که بر توسعه متمرکز است، نظر می‌دهد. مدل‌های پیش‌بینی‌کننده برای مراحل مختلف بیماری مزمن از طریق یکپارچه‌سازی انواع مجموعه‌های داده، افزودن ویژگی‌های جدید مختلف به انبار داده‌های مبتنی بر نظری، ایجاد مدل‌های پیش‌بینی خاص، و ادغام پیش‌بینی‌های چند معیاره پیشرفت بیماری مزمن بر اساس یادگیری تکاملی زیست‌پزشکی. سکو. این تفسیر روندها، چالش‌ها و راه‌حل‌ها را در انجام تحقیقات نوآورانه مراقبت‌های بهداشتی مبتنی بر هوش مصنوعی، بهبود درک انتقال وضعیت بیماری از دیابت به سایر بیماری‌های مزمن مزمن را شناسایی می‌کند. بنابراین، مدل‌های پیش‌بینی بهتری را می‌توان برای گسترش از پرسش‌های استقرایی به قیاسی در تحقیقات مدیریت مراقبت، فرمول‌بندی کرد.

«ارزیابی عملکرد ابزارهای یادگیری ماشین خودکار (AutoML) برای تشخیص و پیش‌بینی بیماری‌های قلبی» توسط Paladino و همکاران. (مشارکت ۵) ایجاد ده مدل یادگیری ماشین را با استفاده از شیوه های استاندارد تجزیه و تحلیل داده های اکتشافی (EDA)، پاکسازی داده ها، مهندسی ویژگی ها و موارد دیگر، با استفاده از کتابخانه “sklearn” پایتون مورد بحث قرار می دهد. جعبه ابزار آنها مجموعه‌ای از مدل‌ها را شامل می‌شد: رگرسیون لجستیک، ماشین‌های بردار پشتیبان، درخت‌های تصمیم‌گیری، جنگل تصادفی و مدل‌های گروهی مختلف. با استفاده از اعتبارسنجی متقاطع پنج برابری، این مدل‌های توسعه‌یافته سنتی، نرخ‌های دقت را از ۵۵ تا ۶۰ درصد نشان دادند. ابزارهای یادگیری ماشین خودکار (AutoML) عملکرد بهتری دارند و در تولید مدل‌های پیش‌بینی‌کننده توانایی برتری دارند. یافته‌های آنها نشان می‌دهد که ابزارهای AutoML می‌توانند تولید مدل‌های قوی ML را با عملکرد بالاتر نسبت به مدل‌های ایجاد شده توسط روش‌های سنتی ML ساده کنند. با این حال، محدودیت‌های ابزار AutoML باید در نظر گرفته شود و استراتژی‌هایی برای غلبه بر آن‌ها ایجاد شود. استقرار موفقیت آمیز مدل های ML طراحی شده از طریق AutoML می تواند انقلابی در درمان و پیشگیری از بیماری قلبی در سطح جهانی ایجاد کند.

“شبکه های عصبی کانولوشن در تشخیص آدنوکارسینوم کولون” توسط لئو و همکاران. (مشارکت ۶) معماری های مختلف و مونتاژ استراتژی ها را برای توسعه کارآمدترین ترکیبات شبکه برای بهبود طبقه بندی باینری و سه تایی سرطان کولورکتال تجزیه و تحلیل می کند. آنها یک رویکرد خط لوله دو مرحله ای را برای تشخیص درجه بندی آدنوکارسینوم کولون از تصاویر بافت شناسی به روشی مشابه با روش آسیب شناس، با استفاده از معماری ترانسفورماتور با طبقه بندی بعدی با استفاده از یک مجموعه شبکه عصبی کانولوشن (CNN) پیشنهاد می کنند، که کارایی یادگیری را بهبود می بخشد و کوتاه می کند. زمان یادگیری علاوه بر این، آنها مجموعه‌ای را برای اعتبارسنجی بالینی شبکه عصبی مصنوعی توسعه‌یافته تهیه و منتشر کردند که کشف تغییرات فنوتیپی بافت‌شناسی جدید در بخش‌های آدنوکارسینوما را پیشنهاد می‌کند که می‌تواند ارزش پیش آگهی داشته باشد. آنها به این نتیجه رسیدند که هوش مصنوعی می تواند به طور قابل توجهی تکرارپذیری، کارایی و دقت تشخیص سرطان روده بزرگ را که برای پزشکی دقیق برای شخصی کردن درمان سرطان مورد نیاز است، بهبود بخشد.

«یک معماری جدید مبتنی بر شبکه‌های عصبی کانولوشن و شبکه‌های پیچیدگی نمودار برای کاربردهای هوش مصنوعی در طبقه‌بندی مراحل بیماری آلزایمر» توسط حسن و واگلر (سهم ۷) روشی به کمک رایانه مبتنی بر الگوریتم پیشرفته DL برای تمایز بین افراد با درجات مختلف پیشنهاد می‌کند. زوال عقل آنها چهار مدل جداگانه زیر را برای طبقه بندی مراحل مختلف زوال عقل ایجاد کردند: (۱) CNNهای ساخته شده از ابتدا. (۲) VGG16 از پیش آموزش دیده با لایه های کانولوشن اضافی. (۳) گراف شبکه های کانولوشنال (GCN). و (۴) مدل های همجوشی CNN-GCN. این مدل ها با استفاده از ۶۴۰۰ اسکن تصویربرداری تشدید مغناطیسی (MRI) کل مغز که از ابتکار تصویربرداری عصبی بیماری آلزایمر (ADNI) به دست آمده بود، آموزش و ارزیابی شدند. یک تکنیک اعتبارسنجی متقابل پنج برابری برای همه مدل‌ها اعمال شد. به ویژه، مدل CNN-GCN عملکرد عالی را در طبقه بندی مراحل مختلف زوال عقل نشان می دهد. درک مراحل زوال عقل می تواند به محققان در کشف نشانگرهای مولکولی و مسیرهای مرتبط با هر مرحله کمک کند.

“ارتودنسی مبتنی بر هوش مصنوعی و صورت: مروری بر پیشرفت های دیجیتال در تشخیص و برنامه ریزی درمان” توسط Tomášik و همکاران. (سهم ۸) پیشرفت های دیجیتال فعلی را برجسته می کند که به لطف ابزارهای هوش مصنوعی به ما امکان می دهد ویژگی های صورت را فراتر از تقارن و تناسب پیاده سازی کنیم و تجزیه و تحلیل صورت را در تشخیص و برنامه ریزی درمان در ارتودنسی بگنجانیم. موضوعاتی که دارای بیشترین پتانسیل تحقیقاتی در ارتودنسی دیجیتال در پنج سال گذشته بودند، شناسایی شدند. موضوعی که بیش از همه مورد تحقیق و استناد قرار گرفت، هوش مصنوعی و کاربردهای آن در ارتودنسی بود. هوش مصنوعی را می توان در تجزیه و تحلیل خودکار سفالومتری دو بعدی یا سه بعدی، تحلیل چهره، الگوریتم های تصمیم گیری و ارزیابی پیشرفت و حفظ درمان به کار برد.

«تبدیل موجک بهینه‌سازی الگوریتم گرده افشانی گل و CNN عمیق برای تحلیل ضربان‌های دو گوش و اضطراب» توسط Rankhambe و همکاران. (مشارکت ۹) ضربات دو گوش را مورد بحث قرار می دهد، شکلی با فرکانس پایین از تحریک صوتی که می تواند به کاهش اضطراب و همچنین تغییر سایر موقعیت ها و حالات روانی با تأثیر بر خلق و خو و عملکرد شناختی کمک کند. آنها سطح اضطراب هنگام شنیدن ضربان های دو گوش را با استفاده از یک تبدیل موجک بهینه شده جدید که در آن پارامترهای موجک بهینه شده از سیگنال الکتروانسفالوگرام (EEG) با استفاده از الگوریتم گرده افشانی گل استخراج می شود، تجزیه و تحلیل کردند، به موجب آن مصنوعات به طور موثر از سیگنال EEG حذف می شوند. آنها پردازش سیگنال عمیق مبتنی بر CNN را اعمال کردند که در آن ویژگی‌های عمیق از پارامترهای سیگنال EEG بهینه استخراج می‌شوند. مدل پیشنهادی از تکنیک های موجود بهتر عمل می کند. بنابراین، تبدیل موجک بهینه شده با یک CNN عمیق می‌تواند تجزیه موثر داده‌های EEG را انجام دهد و ویژگی‌های عمیق مرتبط با اضطراب را برای تجزیه و تحلیل اثر ضربان‌های دوگوشی بر سطوح اضطراب استخراج کند.

در نهایت، “هوش مصنوعی قابل توضیح (XAI): مفاهیم و چالش ها در مراقبت های بهداشتی” توسط هالسن (مشارکت ۱۰) اصطلاح XAI را مورد بحث قرار می دهد که اخیراً شتاب بیشتری پیدا کرده است. XAI سعی می کند اطمینان حاصل کند که الگوریتم های هوش مصنوعی (و همچنین تصمیمات آنها) برای انسان قابل درک است و الگوریتم های “جعبه سیاه” را به الگوریتم های “جعبه شیشه ای” شفاف تر تبدیل می کند. این مقاله برخی از مفاهیم اصلی در XAI را ذکر می‌کند، مانند مدل‌های شفاف و پس‌هک، تصمیم‌گیری با کمک هوش مصنوعی، و روش‌های توضیح. همچنین چندین چالش پیرامون XAI در مراقبت‌های بهداشتی، مانند انطباق قانونی و مقرراتی، حریم خصوصی و امنیت، تعادل بین توضیح‌پذیری و دقت/عملکرد، و معیارهای توضیح‌پذیری را شرح می‌دهد. این بحث در مورد اینکه آیا XAI واقعاً می‌تواند به پیشرفت مراقبت‌های بهداشتی کمک کند، به عنوان مثال، با افزایش درک و اعتماد، ارائه می‌کند و احتمالات تحقیقاتی آینده در حوزه XAI را ارائه می‌دهد.